서브메뉴
검색
본문
Powered by NAVER OpenAPI
-
-
파이토치 첫걸음 (딥러닝 기초부터 RNN, 오토인코더, GAN 실전 기법까지)
저자 : 최건호
출판사 : 한빛미디어
출판년 : 2019
ISBN : 9791162241899
책소개
■ 페이스북이 주도하는 딥러닝 프레임워크 파이토치
기초부터 스타일 트랜스퍼, 오토인코더, GAN 실전 기법까지 A to Z
딥러닝 구현 복잡도가 증가함에 따라 ‘파이써닉’하고 사용이 편리한 파이토치가 주목받고 있다. 파이토치 코리아 운영진인 저자는 다년간 딥러닝을 공부하고 강의한 경험을 살려 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 집필했다. 파이토치 설치부터 CNN, RNN, 나아가 스타일 트랜스퍼, 오토인코더, GAN 등 최신 연구 결과까지 살펴본다. 같은 어려움을 겪었던 개발자의 마음으로 개념 원리와 구현을 균형 있게 구성하여 쉽게 읽을 수 있다.
기초부터 스타일 트랜스퍼, 오토인코더, GAN 실전 기법까지 A to Z
딥러닝 구현 복잡도가 증가함에 따라 ‘파이써닉’하고 사용이 편리한 파이토치가 주목받고 있다. 파이토치 코리아 운영진인 저자는 다년간 딥러닝을 공부하고 강의한 경험을 살려 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 집필했다. 파이토치 설치부터 CNN, RNN, 나아가 스타일 트랜스퍼, 오토인코더, GAN 등 최신 연구 결과까지 살펴본다. 같은 어려움을 겪었던 개발자의 마음으로 개념 원리와 구현을 균형 있게 구성하여 쉽게 읽을 수 있다.
[교보문고에서 제공한 정보입니다.]
출판사 서평
■ 복잡한 건 파이토치에게 맡기고 모델에 집중하세요
딥러닝 분야의 네임드인 안드레이 카파시는 이런 말을 했습니다. “파이토치를 몇 달 써봤는데 이보다 더 좋을 수 없다. 에너지가 넘치고, 피부도 밝아졌으며, 시력도 좋아졌다.” 파이토치는 텐서플로와 비교하면 그래프 정의와 실행부가 분리되어 있지 않아 직관적입니다. 코드가 짧은 것도 강점 중 하나입니다. 새로운 딥러닝 연구 결과가 매일 쏟아지고 구현 복잡도 역시 증가함에 따라 구현 측면에서 ‘파이써닉’하고 편리한 파이토치가 떠오르고 있습니다.
다년간 딥러닝을 공부하고 강의한 저자는 파이토치로 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 썼습니다. 파이토치 실습은 어떻게 시작하는 게 좋을까요? 이 책처럼 코랩을 사용하면 설치할 게 하나도 없습니다. 선형회귀분석, 역전파, CNN, RNN, 학습 시 문제점 해결 등 이제는 익숙한 주제를 배우고, 스타일 트랜스퍼, 오토인코더, GAN 등 주요한 논문 연구 결과도 살펴봅니다. 같은 어려움을 겪었던 개발자의 마음으로 이론과 구현을 균형 있게 구성하여 개발자들이 최대한 쉽게 읽을 수 있게 집필했습니다.
최근에는 딥러닝 입문자들이 활용할 수 있는 자료가 많아졌습니다. 수학 공식을 몰라도 배울 수 있다는 주장은 더는 통하지 않습니다. 수학이 어려워도 알아야 할 것은 알아야 수박 겉핥기 수준에서 벗어날 수 있습니다. 코랩+파이토치 실습으로 까다로운 구현은 덜어내고 딥러닝 개념 원리에 집중한 이 책이 딥러닝 정복을 향한 진정한 첫걸음을 딛게 해줄 것입니다.
■ 주요 내용
● 아나콘다+CUDA+cuDNN 설치(그냥 코랩 쓰면 마음이 편합니다)
● 선형회귀분석을 살펴보며 손실 함수, 경사하강법 이해하기
● 연쇄법칙, 전파, 역전파 등 인공 신경망의 기초
● 친절한 그림으로 CNN을 익히고, VGGNet, GoogLeNet, ResNet 살펴보기
● RNN의 원리부터 LSTM, GRU, 임베딩, word2vec까지
● 오버피팅과 언더피팅 해결, 드롭아웃, 정형화, 초기화, 정규화 등 학습 성능 향상법
● 스타일 트랜스퍼, 전이학습, L-BFGS
● 오토인코더와 시맨틱 세그멘테이션
● GAN과 친구들(DCGAN, SRGAN, Pix2Pix, CycleGAN, DiscoGAN)
딥러닝 분야의 네임드인 안드레이 카파시는 이런 말을 했습니다. “파이토치를 몇 달 써봤는데 이보다 더 좋을 수 없다. 에너지가 넘치고, 피부도 밝아졌으며, 시력도 좋아졌다.” 파이토치는 텐서플로와 비교하면 그래프 정의와 실행부가 분리되어 있지 않아 직관적입니다. 코드가 짧은 것도 강점 중 하나입니다. 새로운 딥러닝 연구 결과가 매일 쏟아지고 구현 복잡도 역시 증가함에 따라 구현 측면에서 ‘파이써닉’하고 편리한 파이토치가 떠오르고 있습니다.
다년간 딥러닝을 공부하고 강의한 저자는 파이토치로 딥러닝의 진입 장벽을 낮출 목적으로 이 책을 썼습니다. 파이토치 실습은 어떻게 시작하는 게 좋을까요? 이 책처럼 코랩을 사용하면 설치할 게 하나도 없습니다. 선형회귀분석, 역전파, CNN, RNN, 학습 시 문제점 해결 등 이제는 익숙한 주제를 배우고, 스타일 트랜스퍼, 오토인코더, GAN 등 주요한 논문 연구 결과도 살펴봅니다. 같은 어려움을 겪었던 개발자의 마음으로 이론과 구현을 균형 있게 구성하여 개발자들이 최대한 쉽게 읽을 수 있게 집필했습니다.
최근에는 딥러닝 입문자들이 활용할 수 있는 자료가 많아졌습니다. 수학 공식을 몰라도 배울 수 있다는 주장은 더는 통하지 않습니다. 수학이 어려워도 알아야 할 것은 알아야 수박 겉핥기 수준에서 벗어날 수 있습니다. 코랩+파이토치 실습으로 까다로운 구현은 덜어내고 딥러닝 개념 원리에 집중한 이 책이 딥러닝 정복을 향한 진정한 첫걸음을 딛게 해줄 것입니다.
■ 주요 내용
● 아나콘다+CUDA+cuDNN 설치(그냥 코랩 쓰면 마음이 편합니다)
● 선형회귀분석을 살펴보며 손실 함수, 경사하강법 이해하기
● 연쇄법칙, 전파, 역전파 등 인공 신경망의 기초
● 친절한 그림으로 CNN을 익히고, VGGNet, GoogLeNet, ResNet 살펴보기
● RNN의 원리부터 LSTM, GRU, 임베딩, word2vec까지
● 오버피팅과 언더피팅 해결, 드롭아웃, 정형화, 초기화, 정규화 등 학습 성능 향상법
● 스타일 트랜스퍼, 전이학습, L-BFGS
● 오토인코더와 시맨틱 세그멘테이션
● GAN과 친구들(DCGAN, SRGAN, Pix2Pix, CycleGAN, DiscoGAN)
[교보문고에서 제공한 정보입니다.]
목차정보
CHAPTER 1 딥러닝에 대하여
1.1 딥러닝이란 무엇인가
1.2 왜 배워야 하는가
1.3 무엇을 할 수 있는가
CHAPTER 2 파이토치
2.1 파이토치는 무엇이고 왜 써야 하는가
2.2 다른 프레임워크와의 비교
2.3 설치하는 법
CHAPTER 3 선형회귀분석
3.1 선형회귀분석이란 무엇인가
3.2 손실 함수 및 경사하강법
3.3 파이토치에서의 경사하강법
CHAPTER 4 인공 신경망
4.1 신경망이란 무엇인가
4.2 인공 신경망의 요소
4.3 전파와 역전파
4.4 모델 구현, 학습 및 결과 확인
CHAPTER 5 합성곱 신경망
5.1 합성곱 신경망의 발달 배경
5.2 합성곱 연산 과정
5.3 패딩과 풀링
5.4 모델의 3차원적 이해
5.5 소프트맥스 함수
5.6 모델 구현, 학습 및 결과 확인
5.7 유명한 모델들과 원리
CHAPTER 6 순환 신경망
6.1 순환 신경망의 발달 과정
6.2 순환 신경망의 작동 원리
6.3 모델 구현, 학습 및 결과 확인
6.4 순환 신경망의 한계 및 개선 방안
CHAPTER 7 학습 시 생길 수 있는 문제점과 해결 방안
7.1 오버피팅과 언더피팅
7.2 정형화
7.3 드롭아웃
7.4 데이터 증강
7.5 초기화
7.6 학습률
7.7 정규화
7.8 배치 정규화
7.9 경사하강법의 변형
CHAPTER 8 뉴럴 스타일 트랜스퍼
8.1 전이학습
8.2 스타일 트랜스퍼
8.3 스타일과 콘텐츠의 정의
8.4 학습 알고리즘
8.5 최적화 알고리즘
8.6 코드 구현
CHAPTER 9 오토인코더
9.1 소개 및 학습 원리
9.2 합성곱 오토인코더
9.3 시맨틱 세그멘테이션
CHAPTER 10 생성적 적대 신경망
10.1 소개 및 학습 원리
10.2 모델 구현 및 학습
10.3 유명한 모델들과 원리
1.1 딥러닝이란 무엇인가
1.2 왜 배워야 하는가
1.3 무엇을 할 수 있는가
CHAPTER 2 파이토치
2.1 파이토치는 무엇이고 왜 써야 하는가
2.2 다른 프레임워크와의 비교
2.3 설치하는 법
CHAPTER 3 선형회귀분석
3.1 선형회귀분석이란 무엇인가
3.2 손실 함수 및 경사하강법
3.3 파이토치에서의 경사하강법
CHAPTER 4 인공 신경망
4.1 신경망이란 무엇인가
4.2 인공 신경망의 요소
4.3 전파와 역전파
4.4 모델 구현, 학습 및 결과 확인
CHAPTER 5 합성곱 신경망
5.1 합성곱 신경망의 발달 배경
5.2 합성곱 연산 과정
5.3 패딩과 풀링
5.4 모델의 3차원적 이해
5.5 소프트맥스 함수
5.6 모델 구현, 학습 및 결과 확인
5.7 유명한 모델들과 원리
CHAPTER 6 순환 신경망
6.1 순환 신경망의 발달 과정
6.2 순환 신경망의 작동 원리
6.3 모델 구현, 학습 및 결과 확인
6.4 순환 신경망의 한계 및 개선 방안
CHAPTER 7 학습 시 생길 수 있는 문제점과 해결 방안
7.1 오버피팅과 언더피팅
7.2 정형화
7.3 드롭아웃
7.4 데이터 증강
7.5 초기화
7.6 학습률
7.7 정규화
7.8 배치 정규화
7.9 경사하강법의 변형
CHAPTER 8 뉴럴 스타일 트랜스퍼
8.1 전이학습
8.2 스타일 트랜스퍼
8.3 스타일과 콘텐츠의 정의
8.4 학습 알고리즘
8.5 최적화 알고리즘
8.6 코드 구현
CHAPTER 9 오토인코더
9.1 소개 및 학습 원리
9.2 합성곱 오토인코더
9.3 시맨틱 세그멘테이션
CHAPTER 10 생성적 적대 신경망
10.1 소개 및 학습 원리
10.2 모델 구현 및 학습
10.3 유명한 모델들과 원리
[교보문고에서 제공한 정보입니다.]